Поделиться через

Поставщик контекста Neo4j GraphRAG

Поставщик контекста Neo4j GraphRAG добавляет возможности дополненной генерации (RAG) в агенты фреймворка Agent Framework, используя граф знаний Neo4j. Он поддерживает векторные, полнотекстовые и гибридные режимы поиска с необязательным обходом графа для обогащения результатов связанными сущностями с помощью пользовательских запросов Cypher.

Для сценариев графа знаний, в которых отношения между сущностями имеют значение, этот поставщик извлекает соответствующие подграфы, а не изолированные фрагменты текста, предоставляя агентам более широкий контекст для создания ответов.

Зачем использовать Neo4j для GraphRAG?

  • Расширенный поиск графа: стандартный векторный поиск возвращает изолированные блоки; Обход графа следует подключениям к связанным сущностям поверхности, предоставляя агентам более широкий контекст.
  • Гибкие режимы поиска: объединение векторного сходства, ключевых слов/BM25 и обхода графа в одном запросе.
  • Пользовательские запросы извлечения: запросы Cypher позволяют точно контролировать, какие отношения обходить и какой контекст возвращать.

Замечание

Neo4j предлагает две отдельные интеграции для Agent Framework. Этот поставщик предоставлен для GraphRAG — поиска существующего графа знаний для обоснования ответов агента. Сведения о постоянной памяти , которая учится в беседах и создает граф знаний с течением времени, см. в разделе "Поставщик памяти Neo4j".

Необходимые условия

  • Экземпляр Neo4j (локальный или Neo4j AuraDB) с настроенным векторным или полнотекстовым индексом
  • Проект Azure AI Foundry с развернутой моделью чата и моделью внедрения (например) text-embedding-3-small
  • Набор переменных среды: NEO4J_URI, NEO4J_USERNAME, NEO4J_PASSWORDAZURE_AI_SERVICES_ENDPOINTAZURE_AI_EMBEDDING_NAME
  • Настроенные учетные данные Azure CLI (az login)
  • .NET 8.0 или более поздней версии

Installation

dotnet add package Neo4j.AgentFramework.GraphRAG

Использование

using Azure.AI.OpenAI;
using Azure.Identity;
using Microsoft.Agents.AI;
using Microsoft.Agents.AI.OpenAI;
using Microsoft.Extensions.AI;
using Neo4j.AgentFramework.GraphRAG;
using Neo4j.Driver;

// Read connection details from environment variables
var neo4jSettings = new Neo4jSettings();
var azureEndpoint = Environment.GetEnvironmentVariable("AZURE_AI_SERVICES_ENDPOINT")!;

// Create embedding generator
var credential = new DefaultAzureCredential();
var azureClient = new AzureOpenAIClient(new Uri(azureEndpoint), credential);

IEmbeddingGenerator<string, Embedding<float>> embedder = azureClient
    .GetEmbeddingClient("text-embedding-3-small")
    .AsIEmbeddingGenerator();

// Create Neo4j driver
await using var driver = GraphDatabase.Driver(
    neo4jSettings.Uri, AuthTokens.Basic(neo4jSettings.Username, neo4jSettings.Password!));

// Create the Neo4j context provider
await using var provider = new Neo4jContextProvider(driver, new Neo4jContextProviderOptions
{
    IndexName = "chunkEmbeddings",
    IndexType = IndexType.Vector,
    EmbeddingGenerator = embedder,
    TopK = 5,
    RetrievalQuery = """
        MATCH (node)-[:FROM_DOCUMENT]->(doc:Document)
        OPTIONAL MATCH (doc)<-[:FILED]-(company:Company)
        RETURN node.text AS text, score, doc.title AS title, company.name AS company
        ORDER BY score DESC
        """,
});

// Create an agent with the provider
AIAgent agent = azureClient
    .GetChatClient("gpt-4o")
    .AsIChatClient()
    .AsBuilder()
    .UseAIContextProviders(provider)
    .BuildAIAgent(new ChatClientAgentOptions
    {
        ChatOptions = new ChatOptions
        {
            Instructions = "You are a financial analyst assistant.",
        },
    });

var session = await agent.CreateSessionAsync();
Console.WriteLine(await agent.RunAsync("What risks does Acme Corp face?", session));

Ключевые особенности

  • На основе индекса: работает с любым векторным или полнотекстовым индексом Neo4j
  • Обход графа: настраиваемые запросы Cypher обогатят результаты поиска связанными сущностями
  • Режимы поиска: "Vector" (семантическое сходство), "fulltext" (ключевое слово/BM25) или "гибрид" (оба объединенные)

Ресурсы

Необходимые условия

  • Экземпляр Neo4j (локальный или Neo4j AuraDB) с настроенным векторным или полнотекстовым индексом
  • Проект Azure AI Foundry с развернутой моделью чата и моделью внедрения (например) text-embedding-ada-002
  • Набор переменных среды: NEO4J_URI, NEO4J_USERNAME, , NEO4J_PASSWORDFOUNDRY_PROJECT_ENDPOINTFOUNDRY_MODELAZURE_AI_EMBEDDING_NAME
  • Настроенные учетные данные Azure CLI (az login)
  • Python 3.10 или более поздней версии

Installation

pip install agent-framework-neo4j

Использование

import os

from agent_framework import Agent
from agent_framework.foundry import FoundryChatClient
from agent_framework_neo4j import Neo4jContextProvider, Neo4jSettings, AzureAISettings, AzureAIEmbedder
from azure.identity import DefaultAzureCredential
from azure.identity.aio import AzureCliCredential

# Reads NEO4J_URI, NEO4J_USERNAME, NEO4J_PASSWORD from environment variables
neo4j_settings = Neo4jSettings()

# Reads FOUNDRY_PROJECT_ENDPOINT, AZURE_AI_EMBEDDING_NAME from environment variables
azure_settings = AzureAISettings()

sync_credential = DefaultAzureCredential()
embedder = AzureAIEmbedder(
    endpoint=azure_settings.inference_endpoint,
    credential=sync_credential,
    model=azure_settings.embedding_model,
)

neo4j_provider = Neo4jContextProvider(
    uri=neo4j_settings.uri,
    username=neo4j_settings.username,
    password=neo4j_settings.get_password(),
    index_name=neo4j_settings.vector_index_name,
    index_type="vector",
    embedder=embedder,
    top_k=5,
    retrieval_query="""
        MATCH (node)-[:FROM_DOCUMENT]->(doc:Document)
        OPTIONAL MATCH (doc)<-[:FILED]-(company:Company)
        RETURN node.text AS text, score, doc.title AS title, company.name AS company
        ORDER BY score DESC
    """,
)

async with (
    neo4j_provider,
    AzureCliCredential() as credential,
    Agent(
        client=FoundryChatClient(
            credential=credential,
            project_endpoint=azure_settings.project_endpoint,
            model=os.environ["FOUNDRY_MODEL"],
        ),
        instructions="You are a financial analyst assistant.",
        context_providers=[neo4j_provider],
    ) as agent,
):
    session = agent.create_session()
    response = await agent.run("What risks does Acme Corp face?", session=session)

Ключевые особенности

  • На основе индекса: работает с любым векторным или полнотекстовым индексом Neo4j
  • Обход графа: настраиваемые запросы Cypher обогатят результаты поиска связанными сущностями
  • Режимы поиска: "Vector" (семантическое сходство), "fulltext" (ключевое слово/BM25) или "гибрид" (оба объединенные)

Ресурсы

Дальнейшие действия

Поставщик памяти Neo4j

  • Last updated on